論文の概要: Change-point Detection and Segmentation of Discrete Data using Bayesian Context Trees

• arxiv url: http://arxiv.org/abs/2203.04341v1
• Date: Tue, 8 Mar 2022 19:03:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 08:25:41.102335
• Title: Change-point Detection and Segmentation of Discrete Data using Bayesian Context Trees
• Title（参考訳）: ベイズ文脈木を用いた離散データの変化点検出とセグメンテーション
• Authors: Valentinian Lungu, Ioannis Papageorgiou, Ioannis Kontoyiannis
• Abstract要約: 最近導入されたBayesian Context Trees (BCT) フレームワークに基づいて構築され、離散時系列における異なるセグメントの分布を可変メモリマルコフ連鎖として記述する。 変化点の存在と位置の推測はマルコフ連鎖モンテカルロサンプリングによって行われる。 シミュレーションと実世界の両方のデータから,提案手法は最先端技術よりも優れた性能を示した。
• 参考スコア（独自算出の注目度）: 7.090165638014331
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A new Bayesian modelling framework is introduced for piece-wise homogeneous variable-memory Markov chains, along with a collection of effective algorithmic tools for change-point detection and segmentation of discrete time series. Building on the recently introduced Bayesian Context Trees (BCT) framework, the distributions of different segments in a discrete time series are described as variable-memory Markov chains. Inference for the presence and location of change-points is then performed via Markov chain Monte Carlo sampling. The key observation that facilitates effective sampling is that, using one of the BCT algorithms, the prior predictive likelihood of the data can be computed exactly, integrating out all the models and parameters in each segment. This makes it possible to sample directly from the posterior distribution of the number and location of the change-points, leading to accurate estimates and providing a natural quantitative measure of uncertainty in the results. Estimates of the actual model in each segment can also be obtained, at essentially no additional computational cost. Results on both simulated and real-world data indicate that the proposed methodology performs better than or as well as state-of-the-art techniques.
• Abstract（参考訳）: 離散時系列の変化点検出とセグメンテーションのための効果的なアルゴリズムツールのコレクションとともに、セグメント毎の均質な可変メモリマルコフチェーンのための新しいベイズモデルフレームワークが導入された。 最近導入されたBayesian Context Trees (BCT) フレームワークに基づいて、離散時系列における異なるセグメントの分布を可変メモリマルコフ連鎖として記述する。 変化点の存在と位置の推測はマルコフ連鎖モンテカルロサンプリングによって行われる。 効果的なサンプリングを容易にする重要な観察は、BCTアルゴリズムの1つを使用して、データの事前予測確率を正確に計算し、各セグメントにすべてのモデルとパラメータを統合することである。 これにより、変化点の数と位置の後方分布から直接サンプルを採取することができ、正確な推定と結果の不確実性の自然な定量値を与えることができる。 各セグメントの実際のモデルの見積もりも得ることができ、本質的に計算コストは追加されない。 シミュレーションデータと実世界のデータの両方から,提案手法は最先端技術よりも優れた性能を示す。

関連論文リスト

• Amortised Inference in Neural Networks for Small-Scale Probabilistic Meta-Learning [41.85464593920907]
  BNNに対する大域的変分近似は、一連の条件分布を構成するために一連のインジェクションインプットを使用する。 我々の重要な洞察は、これらのインプットを実際のデータに置き換えることができ、変動分布は各データポイントに対して近似的な確率の集合からなることである。 この推論ネットワークを関連するデータセット間でトレーニングすることにより、タスク固有のBNNに対するメタ学習ベイズ推論が可能になる。
  論文  参考訳（メタデータ） (2023-10-24T12:34:25Z)
• Delta-AI: Local objectives for amortized inference in sparse graphical models [64.5938437823851]
  スパース確率的グラフィカルモデル(PGM)における補正推論のための新しいアルゴリズムを提案する。 提案手法は, PGMにおける変数のサンプリングをエージェントが行う一連の行動とみなす場合, エージェントのポリシー学習目的において, PGMの疎結合が局所的な信用割当を可能にするという観察に基づいている。 合成PGMからサンプリングし、スパース因子構造を持つ潜在変数モデルを訓練するための$Delta$-AIの有効性について説明する。
  論文  参考訳（メタデータ） (2023-10-03T20:37:03Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Score-based Continuous-time Discrete Diffusion Models [102.65769839899315]
  連続時間マルコフ連鎖を介して逆過程が認知されるマルコフジャンププロセスを導入することにより、拡散モデルを離散変数に拡張する。 条件境界分布の単純なマッチングにより、偏りのない推定器が得られることを示す。 提案手法の有効性を,合成および実世界の音楽と画像のベンチマークで示す。
  論文  参考訳（メタデータ） (2022-11-30T05:33:29Z)
• SwISS: A Scalable Markov chain Monte Carlo Divide-and-Conquer Strategy [1.6114012813668934]
  モンテカルロアルゴリズムのディバイド・アンド・コンカー戦略は、ベイジアン推論を大規模データセットにスケーラブルにするアプローチとして、ますます人気が高まっている。 SwISS: Inflation, Scaling, Shiftingを備えたサブポインター, サブポインターのサンプルを再結合するための新しいアプローチを提案する。 我々の変換はアフィン変換の自然な集合において最適であることが証明され、合成および実世界のデータセット上での競合アルゴリズムに対するSwISSの有効性が示される。
  論文  参考訳（メタデータ） (2022-08-08T12:02:18Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Unsupervised Change Detection using DRE-CUSUM [14.73895038690252]
  DRE-CUSUMは、時系列データの統計的変化を決定するために、教師なし密度比推定(DRE)に基づく手法である。 本稿では,統計的変化を確実に検出できることを示す理論的正当性および精度保証を示す。 我々は、既存の最先端の教師なしアルゴリズムよりも、合成データセットと実世界のデータセットの両方を用いて、DRE-CUSUMの優位性を実験的に示す。
  論文  参考訳（メタデータ） (2022-01-27T17:25:42Z)
• An Embedded Model Estimator for Non-Stationary Random Functions using Multiple Secondary Variables [0.0]
  本稿では,本手法を導入し,地理的モデリングや量子ランダムフォレストに適用した結果と自然に類似した一貫性を有することを示す。 このアルゴリズムは、各ターゲット位置におけるターゲット変数の条件分布を推定することで機能する。
  論文  参考訳（メタデータ） (2020-11-09T00:14:24Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• Feature Transformation Ensemble Model with Batch Spectral Regularization for Cross-Domain Few-Shot Classification [66.91839845347604]
  特徴抽出ネットワークの後に多様な特徴変換を行うことにより,アンサンブル予測モデルを提案する。 我々は,事前学習中に特徴行列の特異値を抑制するために,バッチスペクトル正規化項を用い,モデルの一般化能力を向上させる。 提案したモデルは、ターゲット領域で微調整して、数発の分類に対処することができる。
  論文  参考訳（メタデータ） (2020-05-18T05:31:04Z)
• Generalization of Change-Point Detection in Time Series Data Based on Direct Density Ratio Estimation [1.929039244357139]
  既存のアルゴリズムを様々なバイナリ分類と回帰モデルを用いて一般化する方法を示す。 アルゴリズムは、いくつかの合成および実世界のデータセットでテストされる。
  論文  参考訳（メタデータ） (2020-01-17T15:45:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。